CN114820359B - 基于人眼视觉区域划分的红外图像全局色调映射方法 - Google Patents
基于人眼视觉区域划分的红外图像全局色调映射方法 Download PDFInfo
- Publication number
- CN114820359B CN114820359B CN202210402162.2A CN202210402162A CN114820359B CN 114820359 B CN114820359 B CN 114820359B CN 202210402162 A CN202210402162 A CN 202210402162A CN 114820359 B CN114820359 B CN 114820359B
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- probability density
- calculating
- density function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000004438 eyesight Effects 0.000 title claims abstract description 13
- 238000013507 mapping Methods 0.000 title claims abstract description 12
- 230000006870 function Effects 0.000 claims abstract description 61
- 230000000007 visual effect Effects 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 230000001186 cumulative effect Effects 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims abstract description 6
- 230000016776 visual perception Effects 0.000 claims abstract description 6
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 3
- 238000005286 illumination Methods 0.000 claims 3
- 238000012545 processing Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 241000208199 Buxus sempervirens Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于人眼视觉区域划分的红外图像全局映射方法,包括以下步骤:S1、计算输入图像的背景亮度图像,将背景亮度图像像素的最大差别值作为输入图像的动态范围,并根据人眼视觉感知特性和直方图统计特性设定视觉区域划分边界;S2、根据视觉区域划分边界将输入图像分解为多个子图像;S3、计算每个图像的概率密度函数,并设置平台阈值;S4、计算每个子图像修正后的概率密度函数;S5、计算每个子图像的累积概率密度函数;S6、计算每个子图像的灰度变换函数;S7、根据灰度变换函数,将各个子图像独立地均衡化,并合成最终的结果图像。本发明保证在压缩动态范围、提升图像全局对比度的同时能够有效地显示图像中从最暗处到最亮处地全部细节。
Description
技术领域
本发明涉及图像增强处理技术领域,具体地说,涉及一种高动态范围红外图像的增强显示处理。
背景技术
当前对高动态范围红外图像进行显示的全局色调映射方法都拥有一个共同的处理思路:压缩动态范围的同时增强局部细节,从而提升整幅图像的可视性。然而,许多传统的全局色调映射方法在对高动态范围红外图像进行处理时不能同时顾及压缩动态范围、调整亮度以及增强或保持细节等问题。如直方图投影方法能够保持高动态范围图像的全局对比度,但是投影后的图像亮度整体偏暗,不利于图像中暗区细节的显示。直方图均衡方法能够有效提升图像的整体亮度,但是易引起局部细节的丢失,而且易在亮区域引起过饱和的问题。为了让高动态范围红外图像中各个部分的细节都得以高保真的显示,需要提供一种能够针对不同亮度区域进行有效增强显示的方法。
发明内容
本发明的目的在于克服现有技术在对高动态范围红外图像进行显示时不能同时顾及动态范围压缩、亮度调整以及细节增强或保持等问题,提出一种分视觉区域的平台直方图均衡方法来对高动态范围红外图像进行增强显示。
为了实现上述目的,本发明所采用的技术方案如下:
一种基于人眼视觉区域划分的红外图像全局映射方法,包括以下步骤:
S1、计算输入图像的背景亮度图像,将背景亮度图像像素的最大差别值作为输入图像的动态范围,并根据人眼视觉感知特性和直方图统计特性设定视觉区域划分边界;
S2、根据确定的视觉区域划分边界,将输入图像分解为多个子图像;
S3、计算每个图像的概率密度函数,并设置每个子图像的平台阈值;
S4、根据每个子图像的平台阈值,计算每个子图像修正后的概率密度函数;
S5、根据每个子图像修正后的概率密度函数,计算每个子图像的累积概率密度函数;
S6、根据每个子图像的累积概率密度函数,计算每个子图像的灰度变换函数;
S7、根据每个子图像的灰度变换函数,将各个子图像独立地均衡化,并合成最终的结果图像。
优选地,S1具体包括以下步骤:
S11、对于高动态范围红外图像X(x,y),通过以下公式计算其背景亮度图像B(x,y),
式中,Q表示待处理像素上下左右方向的4个邻域像素组成的集合,Q′表示待处理像素对角线上的4个邻域像素组成的集合;
S12、将背景亮度图像像素的最大差别值Bt=max{B(x,y)}-min{B(x,y)}作为输入图像的动态范围,设定背景亮度B对应的logB=xi为各亮度划分区域的边界值Bxi=αiBt;
S13、结合高动态范围红外图像的直方图特性对和参数αi进行设定,根据背景亮度图像的有效灰度级总数确定/>使用背景亮度图像的有效灰度级占有率p优化参数αi。
优选地,S13中,背景亮度图像B(x,y)的有效灰度级直方图H(i)为二值直方图,通过以下公式计算
其中,ni表示灰度级i上存在的像素数,第k个灰度级的累计有效灰度级S(k)表示为
N表示背景亮度图像的位数;
背景亮度图像有效灰度级的总数设定第αiW个有效灰度级所对应的背景亮度为/>Bxi=S-1(αiW),S-1表示S(k)函数的反函数,p是有效灰度级总数与背景亮度图像的动态范围之间的比率,p=W/Bt。
优选地,根据确定的视觉区域划分边界,输入图像X被分解为三个子图像XU、XW和XO,即输入图像X=XU∪XW∪XO,具体划分方式如下
其中,XU、XW和XO分别对应于输入图像的光照不足、光照适度和光照过度区域。
优选地,计算三个子图像XU、XW和XO的概率密度函数,具体公式如下
其中,nk表示灰度等级为Xk的像素数,nU、nW和nO分别表示XU、XW和XO的像素总数。
优选地,将每个子图像的平台阈值设置为其最大概率密度函数值的20%,并分别命名为TU、TW和TO,具体公式如下
TU=0.2max[pU(Xk)],
TW=0.2max[pW(Xk)],
TO=0.2max[pO(Xk)].。
优选地,根据三个子图像的平台阈值,计算修正后的每个子图像的概率密度函数pUT、pWT和pOT,具体公式如下,
优选地,根据三个子图像修正后的概率密度函数pUT、pWT和pOT,分别计算三个子图像的累积概率密度函数cUT、cWT和cOT,具体公式如下
优选地,基于三个子图像的累积概率密度函数cUT、cWT和cOT,构建三个子图像的灰度变换函数fUT、fWT和fOT,具体公式如下
优选地,基于三个子图像的灰度变换函数fUT、fWT和fOT,将各子图像独立地均衡化成YO、YW和YU,并合成最终的结果图像Y,具体公式如下
Y=YO∪YW∪YU。
与现有技术相比,本发明结合了人眼视觉感知特性以及高动态范围红外图像的直方图统计特性来对图像进行视觉区域划分,进而对高动态范围红外图像进行分区域增强显示,从而保证在压缩动态范围、提升图像全局对比度的同时能够有效地显示图像中从最暗处到最亮处地全部细节。
附图说明
图1为本发明的总体流程示意图。
图2为人眼视觉区域划分的示意图。
图3为样本图像1进行处理前后的对比示意图,(a)为原高动态范围红外图像,(b)为采用本发明的方法增强后的图像。
图4为采用本发明的方法与传统方法对样本图像1进行处理的效果对比示意图,(a)为原图像,b)为直方图投影处理的图像,(c)为全局直方图均衡处理的图像,d)为平台直方图均衡处理的图像,(e)为双平台直方图均衡处理的图像,f)为本发明所提方法处理的图像。
图5为采用本发明的方法与传统方法对样本图像2进行处理的效果对比示意图,(a)为原图像,b)为直方图投影处理的图像,(c)为全局直方图均衡处理的图像,d)为平台直方图均衡处理的图像,(e)为双平台直方图均衡处理的图像,f)为本发明所提方法处理的图像。
具体实施方式
下面结合附图和具体实施例对本发明基于人眼视觉区域划分的红外图像全局映射方法作进一步说明。
请参阅图1,本发明公开了一种基于人眼视觉区域划分的红外图像全局映射方法,基于人眼视觉区域划分的红外图像全局映射方法具体包括以下步骤:
S1、计算输入图像的背景亮度图像,将背景亮度图像像素的最大差别值作为输入图像的动态范围,并根据人眼视觉感知特性和直方图统计特性设定视觉区域划分边界。
S2、根据确定的视觉区域划分边界,将输入图像分解为多个子图像。
S3、计算每个图像的概率密度函数,并设置每个子图像的平台阈值。
S4、根据每个子图像的平台阈值,计算每个子图像修正后的概率密度函数。
S5、根据每个子图像修正后的概率密度函数,计算每个子图像的累积概率密度函数。
S6、根据每个子图像的累积概率密度函数,计算每个子图像的灰度变换函数。
S7、根据每个子图像的灰度变换函数,将各个子图像独立地均衡化,并合成最终的结果图像。
请参阅图2,高动态范围红外图像视觉区域划分的理论依据为,在人眼视觉系统的感知特性里,Buchsbaum(布克斯鲍姆)曲线反映了最小可觉差ΔBT与背景亮度B的关系。如图2所示,它将人眼视觉系统划分为以下几个区域:德弗里斯区域,韦伯区域和饱和区域,分别对应光照不足(under-illuminated area),光照适度区域(properly-illuminatedarea)和光照过度区域(over-illuminated area)。
对于一幅高动态范围红外图像X(x,y),利用以下公式计算其背景亮度图像B(x,y)。
其中Q表示待处理像素上下左右方向的4个邻域像素组成的集合,Q′表示待处理像素对角线上的4个邻域像素组成的集合。定义背景亮度图像像素的最大差别值Bt=max{B(x,y)}-min{B(x,y)}作为输入图像的动态范围。
在图2中,通常情况下假定背景亮度B对应的logB=xi为各亮度划分区域的边界值 则有
Bxi=αiBt
其中0<α1<α2<α3<1,一般设置α1=0,α2和α3根据实验经验设定。鉴于不同场景下采集的高动态范围红外图像的灰度分布特性以及直方图特性大不相同,本发明将结合高动态范围红外图像的直方图特性来对和参数αi进行设定。
视觉区域划分边界值的确定。有效灰度级指的是:只要一个灰度级有一个或一个以上的像素存在,这个灰度级就被认为是有效的。背景亮度图像B(x,y)的有效灰度级直方图H(i)是一个二值直方图,可以按下式计算:
式中,ni表示灰度级i上存在的像素数。对应于第k个灰度级的累计有效灰度级S(k)可以表达如下:
N表示背景亮度图像的位数,表示背景亮度图像有效灰度级的总数,本发明定义第αiW个有效灰度级所对应的背景亮度为/>即,
Bxi=S-1(αiW)
S-1表示上述S函数的反函数。
参数αi的设定。对于不同的场景,αi必须设置不同的值,以获得更好的亮度分割结果。然而,为不同场景建立一个相对有效的αi参数值是具有挑战性的。为了解决这个问题,本发明设计了一种间接方法,即通过结合背景强度图像的有效灰度级占有率p来优化参数的选择。有效灰度级占有率p是有效灰度级总数与背景亮度图像的动态范围之间的比率,即p=W/Bt。p值反映了高动态范围红外图像直方图的稠密程度,对于在不同场景下采集的红外图像来说,p值有很大不同。如果p值较小,表明由于热物体的出现,动态范围被扩大了,热目标的有效灰度级通常包含较少的像素,在这种情况下,参数αi应设置得较低,以确保更多的像素可以被分割到光照适度区域和光照过度区域,以免有太多的像素被分割到光照不足区域。反之,如果p越大,αi应该设置得越高。因此,本发明结合p值来设置参数αi,它由以下公式给出,
根据上述公式,参数αi与p的值成正比,而参数αi的确定取决于参数γi。通过考虑有效灰度级占有率p,我们发现,当参数γ1,γ2和γ3的值分别选为0、0.5和0.6时,大部分高动态范围红外图像都能有效的视觉区域分割。因此,通过这种方式,我们降低了参数αi的选择难度。
根据以上确定的视觉区域划分边界,输入图像X可以被分解为三个子图像XU、XW和XO,
XU∪XW∪XO
即,
通过将图像分割成不同的区域,如光照不足、光照适度和光照过度区域,本专利采用以下步骤所示的平台直方图均衡算法来分别增强每个区域。
首先计算各个子图像XU、XW和XO的概率密度函数(probability densityfunction,PDF)。假设n是一幅图像总的像素个数,nk表示灰度级为Xk的像素个数,那么灰度级为Xk的概率密度为定义Xk和p(Xk)之间的函数关系为概率密度函数,概率密度函数在图形上的表示就是图像X的直方图。本发明基于人眼视觉的亮度感知特性将图像划分成不同的视觉区域子图像,进而对每个子图像进行平台直方图均衡。因此,本发明定义每个子图像的概率密度函数为,
其中nk表示灰度等级为Xk的像素数,nU,nW和nO分别表示XU、XW和XO的像素总数。
设置每个子图像的平台阈值。平台直方图均衡是对图像直方图的一种修正。它通过选择一个合适的的平台阈值T,对直方图进行如下修正:如果灰度级的直方图大于平台直方图阈值T,将其直方图设置为T;如果其直方图小于平台阈值T,就保持不变。对于各个子图像的平台直方图阈值的设定,本发明将每个子图像的平台阈值设置为该子图像的最大概率密度值的20%,并分别命名为TU、TW和TO,
TU=0.2max[pU(Xk)],
TW=0.2max[pW(Xk)],
TO=0.2max[pO(Xk)].
计算修正后的每个子图像的概率密度函数。根据上述所求的各子图像的平台阈值,本发明计算得到每个子图像修正后的概率密度函数pUT,pWT和pOT,具体定义为,
计算修正后的每个子图像的累积概率密度函数。根据上述各子图像修正后的概率密度函数pUT,pWT和pOT,本发明计算得到每个子图像的累积概率密度函数cUT,cWT和cOT,具体定义如下,
确定每个子图像的灰度变换函数。基于上述每个子图像的累积概率密度函数cUT,cWT和cOT,构建得到以下三个子图像的灰度变换函数fUT,fWT和fOT,具体定义为,
各子图像合并生成最终的结果图像。基于上述本发明设计的各子图像的灰度变换函数fUT,fWT和fOT,各子图像被独立地均衡化成YO,YW和YU,并合成最终的结果图像Y。
YU∪YW∪YO
请参阅图3,图3显示了利用发明所提方法对一幅高动态范围红外图像的处理效果。其中(a)为原始高动态范围红外图像,图(b)为利用本发明增强后的结果图像。由图可见,本发明所提的方法能够压缩高动态范围红外图像的动态范围,提升图像的亮度和全局对比度,将原始图像暗区至亮度的细节都进行清晰自然地显示。
请参阅图4和图5,图4和图5显示了本发明所提方法与传统方法对两幅样本图像的处理效果。如图所示,直方图投影方法处理后的图像整体亮度偏暗,无法清晰显示暗区细节;而全局直方图均衡、平台直方图均衡以及双平台直方图均衡方法能够有效地提升全局对比度,但是容易导致局部细节的模糊和丢失。本发明所提的分视觉区域的增强显示方法能够有效地提升全局对比度和亮度,并且能够高保真的保持和显示暗区到亮区的局部细节,为红外场景目标的观测提供有效的技术途径。
综上所述,本发明结合了人眼视觉感知特性以及高动态范围红外图像的直方图统计特性来对图像进行视觉区域划分,进而对高动态范围红外图像进行分区域增强显示,从而保证在压缩动态范围、提升图像全局对比度的同时能够有效地显示图像中从最暗处到最亮处地全部细节。
上述说明是针对本发明较佳可行实施例的详细说明,但实施例并非用以限定本发明的专利申请范围,凡本发明所揭示的技术精神下所完成的同等变化或修饰变更,均应属于本发明所涵盖专利范围。
Claims (4)
1.一种基于人眼视觉区域划分的红外图像全局映射方法,其特征在于,包括以下步骤:
S1、计算输入图像的背景亮度图像,将背景亮度图像像素的最大差别值作为输入图像的动态范围,并根据人眼视觉感知特性和直方图统计特性设定视觉区域划分边界;
S2、根据确定的视觉区域划分边界,将输入图像分解为多个子图像;
根据确定的视觉区域划分边界,输入图像X被分解为三个子图像XU、XW和XO,即输入图像X=XU∪XW∪XO,具体划分方式如下
其中,XU、XW和XO分别对应于输入图像的光照不足、光照适度和光照过度区域;
S3、计算每个图像的概率密度函数,并设置每个子图像的平台阈值;
计算三个子图像XU、XW和XO的概率密度函数,具体公式如下
其中,nk表示灰度等级为Xk的像素数,nU、nW和nO分别表示XU、XW和XO的像素总数;
将每个子图像的平台阈值设置为其最大概率密度函数值的20%,并分别命名为TU、TW和TO,具体公式如下
TU=0.2max[pU(Xk)],
TW=0.2max[pW(Xk)],
TO=0.2max[pO(Xk)];
S4、根据每个子图像的平台阈值,计算每个子图像修正后的概率密度函数;
根据三个子图像的平台阈值,计算修正后的每个子图像的概率密度函数pUT、pWT和pOT,具体公式如下
S5、根据每个子图像修正后的概率密度函数,计算每个子图像的累积概率密度函数;
根据三个子图像修正后的概率密度函数pUT、pWT和pOT,分别计算三个子图像的累积概率密度函数cUT、cWT和cOT,具体公式如下
S6、根据每个子图像的累积概率密度函数,计算每个子图像的灰度变换函数;
基于三个子图像的累积概率密度函数cUT、cWT和cOT,构建三个子图像的灰度变换函数fUT、fWT和fOT,具体公式如下
S7、根据每个子图像的灰度变换函数,将各个子图像独立地均衡化,并合成最终的结果图像。
2.如权利要求1所述的基于人眼视觉区域划分的红外图像全局映射方法,其特征在于,S1具体包括以下步骤:
S11、对于高动态范围红外图像X(x,y),通过以下公式计算其背景亮度图像B(x,y),
式中,Q表示待处理像素上下左右方向的4个邻域像素组成的集合,Q′表示待处理像素对角线上的4个邻域像素组成的集合;
S12、将背景亮度图像像素的最大差别值Bt=max{B(x,y)}-min{B(x,y)}作为输入图像的动态范围,设定背景亮度B对应的logB=xi为各亮度划分区域的边界值Bxi=αiBt;
S13、结合高动态范围红外图像的直方图特性对和参数αi进行设定,根据背景亮度图像的有效灰度级总数确定/>使用背景亮度图像的有效灰度级占有率p优化参数αi。
3.如权利要求2所述的基于人眼视觉区域划分的红外图像全局映射方法,其特征在于,S13中,背景亮度图像B(x,y)的有效灰度级直方图H(i)为二值直方图,通过以下公式计算
其中,ni表示灰度级i上存在的像素数,第k个灰度级的累计有效灰度级S(k)表示为N表示背景亮度图像的位数;
背景亮度图像有效灰度级的总数设定第αiW个有效灰度级所对应的背景亮度为/>Bxi=S-1(αiW),S-1表示S(k)函数的反函数,p是有效灰度级总数与背景亮度图像的动态范围之间的比率,p=W/Bt。
4.如权利要求1所述的基于人眼视觉区域划分的红外图像全局映射方法,其特征在于,基于三个子图像的灰度变换函数fUT、fWT和fOT,将各子图像独立地均衡化成YO、YW和YU,并合成最终的结果图像Y,具体公式如下
Y=YO∪YW∪YU。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210402162.2A CN114820359B (zh) | 2022-04-18 | 2022-04-18 | 基于人眼视觉区域划分的红外图像全局色调映射方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210402162.2A CN114820359B (zh) | 2022-04-18 | 2022-04-18 | 基于人眼视觉区域划分的红外图像全局色调映射方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114820359A CN114820359A (zh) | 2022-07-29 |
CN114820359B true CN114820359B (zh) | 2024-02-13 |
Family
ID=82537436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210402162.2A Active CN114820359B (zh) | 2022-04-18 | 2022-04-18 | 基于人眼视觉区域划分的红外图像全局色调映射方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820359B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1168049A (zh) * | 1996-03-09 | 1997-12-17 | 三星电子株式会社 | 利用平均值分离直方图均衡的图像增强方法及其电路 |
CN103353349A (zh) * | 2013-06-18 | 2013-10-16 | 南京理工大学 | 红外测温仪自适应三平台直方图均衡系统及其方法 |
CN107301635A (zh) * | 2017-06-28 | 2017-10-27 | 武汉格物优信科技有限公司 | 一种红外图像细节增强方法与装置 |
CN108257099A (zh) * | 2018-01-11 | 2018-07-06 | 重庆邮电大学 | 一种基于视觉对比度分辨率的自适应红外图像增强方法 |
CN109859138A (zh) * | 2019-02-14 | 2019-06-07 | 哈尔滨理工大学 | 一种基于人眼视觉特性的红外图像增强方法 |
CN111899205A (zh) * | 2020-08-10 | 2020-11-06 | 国科天成(北京)科技有限公司 | 一种场景自适应宽动态红外热成像的图像增强方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7639893B2 (en) * | 2006-05-17 | 2009-12-29 | Xerox Corporation | Histogram adjustment for high dynamic range image mapping |
CN101620727B (zh) * | 2009-08-10 | 2012-05-09 | 电子科技大学 | 红外图像加权直方图自适应增强算法 |
KR101516632B1 (ko) * | 2013-10-22 | 2015-05-07 | 전남대학교산학협력단 | 동영상의 평균 밝기 변화율을 유지하는 시각적 임계치를 이용한 이분할 히스토그램 평활화 장치 |
CN104252700B (zh) * | 2014-09-18 | 2017-06-20 | 电子科技大学 | 一种红外图像的直方图均衡化方法 |
CN108537758B (zh) * | 2018-04-23 | 2021-06-25 | 北京理工大学 | 一种基于显示器与人眼视觉特性的图像对比度增强方法 |
CN111768350B (zh) * | 2020-06-10 | 2022-12-20 | 中国人民解放军军事科学院国防科技创新研究院 | 一种红外图像增强方法及系统 |
-
2022
- 2022-04-18 CN CN202210402162.2A patent/CN114820359B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1168049A (zh) * | 1996-03-09 | 1997-12-17 | 三星电子株式会社 | 利用平均值分离直方图均衡的图像增强方法及其电路 |
CN103353349A (zh) * | 2013-06-18 | 2013-10-16 | 南京理工大学 | 红外测温仪自适应三平台直方图均衡系统及其方法 |
CN107301635A (zh) * | 2017-06-28 | 2017-10-27 | 武汉格物优信科技有限公司 | 一种红外图像细节增强方法与装置 |
CN108257099A (zh) * | 2018-01-11 | 2018-07-06 | 重庆邮电大学 | 一种基于视觉对比度分辨率的自适应红外图像增强方法 |
CN109859138A (zh) * | 2019-02-14 | 2019-06-07 | 哈尔滨理工大学 | 一种基于人眼视觉特性的红外图像增强方法 |
CN111899205A (zh) * | 2020-08-10 | 2020-11-06 | 国科天成(北京)科技有限公司 | 一种场景自适应宽动态红外热成像的图像增强方法 |
Non-Patent Citations (1)
Title |
---|
A perception-based brightness segmentation method of high dynamic range infrared images;Feifei Zhang et al.;《2020 8th International Conference on Digital Home (ICDH)》;75-80 * |
Also Published As
Publication number | Publication date |
---|---|
CN114820359A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8406547B2 (en) | Visual processing device, visual processing method, program, display device, and integrated circuit | |
JP4870618B2 (ja) | 画像データの自動マッピング方法及び画像処理デバイス | |
JP4870617B2 (ja) | 画像データの自動マッピング方法及び画像処理デバイス | |
EP2833317B1 (en) | Image display device and/or method therefor | |
JP5396527B2 (ja) | 赤外線サーモグラムのデジタル信号処理システム及び方法 | |
CN109325922B (zh) | 一种图像自适应增强方法、装置及图像处理设备 | |
CN111784609B (zh) | 图像动态范围压缩方法、装置及计算机可读存储介质 | |
US9147238B1 (en) | Adaptive histogram-based video contrast enhancement | |
US8265391B1 (en) | Localized, adaptive video contrast enhancement using controlled histogram equalization | |
CN108022223B (zh) | 一种基于对数映射函数分块处理融合的色调映射方法 | |
US9396526B2 (en) | Method for improving image quality | |
CN112365424A (zh) | 基于局部自适应clahe的红外图像去噪增强方法、装置、系统与计算机可读存储介质 | |
CN108198155B (zh) | 一种自适用色调映射方法及系统 | |
KR20060086815A (ko) | 적응성 콘트래스트 개선 | |
CN111709898B (zh) | 基于优化clahe的红外图像增强方法与系统 | |
KR20060081536A (ko) | 영상의 rgb 정보를 이용한 블랙/화이트 스트레칭 시스템 | |
KR102221116B1 (ko) | 크로스 커널 구조의 중간값 필터를 이용한 영상 잡음 제거장치 및 방법 | |
CN108280836B (zh) | 一种图像处理方法及装置 | |
JP5648849B2 (ja) | 画像処理装置、画像処理方法 | |
CN115661008A (zh) | 一种图像增强处理方法、装置、设备及介质 | |
Srinivasan et al. | Adaptive contrast enhancement using local region stretching | |
CN110580690B (zh) | 一种识别峰值变换非线性曲线的图像增强方法 | |
CN114820359B (zh) | 基于人眼视觉区域划分的红外图像全局色调映射方法 | |
CN109859138B (zh) | 一种基于人眼视觉特性的红外图像增强方法 | |
CN113256533B (zh) | 基于msrcr的自适应低照度图像增强方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |